图像特征的提取方法及装置

摘要

本发明公开了一种图像特征的提取方法及装置，属于计算机视觉领域。包括：对待处理图像进行灰度均衡化处理，在处理后的图像中选取预设组数的点对；以第一组点对中的两个点为中心确定两个提取区域；获取每个提取区域对应的颜色量化矩阵及梯度矩阵；融合每个提取区域对应的颜色量化矩阵与梯度矩阵，得到两个融合矩阵，根据两个融合矩阵计算得到第一组点对对应的标量值，以此方式计算其他点对的标量值，组合预设组数的点对的标量值得到待处理图像的特征向量。由于梯度值能描述图像的目标轮廓，颜色和图像包含的物体或场景相关，对图像的依赖性小，具有较高的鲁棒性，因而本发明通过采用梯度值及颜色提取图像特征，可提高提取出的图像特征的准确性。

权利要求

1.一种图像特征的提取方法，其特征在于，所述方法包括：对待处理图像进行灰度均衡化处理，并在处理后的图像中选取预设组数的点对；

取第一组点对，并以所述第一组点对中的两个点为中心分别确定预设范围的第一提取区域和第二提取区域；

获取所述第一提取区域范围内各像素的颜色分量，得到所述第一提取区域对应的颜色量化矩阵，并获取所述第一提取区域范围内各像素的梯度值，得到所述第一提取区域对应的梯度矩阵；

融合所述第一提取区域对应的颜色量化矩阵与梯度矩阵，得到所述第一提取区域对应的第一融合矩阵；

按获取所述第一提取区域对应的第一融合矩阵的方式获取所述第二提取区域对应的第二融合矩阵；

根据所述第一融合矩阵和第二融合矩阵计算得到所述第一组点对对应的标量值；

按第一组点对方式完成其他点对对应的标量值的计算，组合所述预设组数的点对的标量值，得到所述待处理图像的特征向量。

2.根据权利要求1所述的图像特征的提取方法，其特征在于，所述获取所述第一提取区域范围内各像素的颜色分量，得到所述第一提取区域对应的颜色量化矩阵，具体包括：将所述第一提取区域的图像转换到对应的颜色空间，得到所述第一提取区域范围内每个像素对应的颜色分量；

将每个像素对应的颜色分量加权量化后，得到所述第一提取区域对应的颜色量化矩阵。

3.根据权利要求2所述的图像特征的提取方法，其特征在于，所述将每个像素对应的颜色分量加权量化后，得到所述第一提取区域对应的颜色量化矩阵，具体包括：通过公式f＝σhh+σss+σvv将每个像素对应的颜色分量加权量化，得到所述第一提取区域对应的颜色量化矩阵；

其中，所述h为色调，s为饱和度，v为亮度，所述σh、σs、σv为加权系数。

4.根据权利要求1所述的图像特征的提取方法，其特征在于，所述获取所述第一提取区域范围内各像素的梯度值，得到所述第一提取区域对应的梯度矩阵，具体包括：采用索贝尔算子中的横向矩阵及纵向矩阵分别与所述第一提取区域范围内各像素进行卷积运算，得到横向与纵向的亮度差分近似值；

根据所述横向与纵向的亮度差分近似值得到所述第一提取区域对应的梯度矩阵。

5.根据权利要求4所述的图像特征的提取方法，其特征在于，所述采用索贝尔算子中的横向矩阵及纵向矩阵分别与所述第一提取区域范围内各像素进行卷积运算，得到横向与纵向的亮度差分近似值，具体包括：采用索贝尔算子中的横向矩阵 与纵向矩阵 分别与

所述第一提取区域范围内各像素进行卷积运算，得到横向亮度差分近似值Gx＝gx*I与纵向亮度差分近似值Gy＝gy*I；其中，所述I为所述第一提取区域范围内的像素；

所述根据所述横向与纵向的亮度差分近似值得到所述第一提取区域对应的梯度矩阵，具体包括：通过公式 得到所述第一提取区域对应的梯度矩阵Gx*y。

6.根据权利要求1所述的图像特征的提取方法，其特征在于，所述融合所述第一提取区域对应的颜色量化矩阵与梯度矩阵，得到所述第一提取区域对应的第一融合矩阵，具体包括：将所述第一提取区域对应的颜色量化矩阵与梯度矩阵进行乘积运算，得到所述第一提取区域对应的第一融合矩阵。

7.根据权利要求1所述的图像特征的提取方法，其特征在于，所述根据所述第一融合矩阵和第二融合矩阵计算得到所述第一组点对对应的标量值，具体包括：将所述第一融合矩阵按行展开，形成行向量；

将所述行向量中的向量元素按照大小进行排序，形成新的行向量；

将所述新的行向量中的每个向量的元素值与所述第一提取区域的中心像素对应的向量的元素值进行比较，得到第一比较结果；

按照所述第一融合矩阵方式处理所述第二融合矩阵，得到第二比较结果；

通过比较第一比较结果和第二比较结果得到所述第一组点对对应的标量值。

8.一种图像特征的提取装置，其特征在于，所述装置包括：处理模块，用于对待处理图像进行灰度均衡化处理；

选取模块，用于在所述处理模块处理后的图像中选取预设组数的点对；

确定模块，用于取第一组点对，并以所述第一组点对中的两个点为中心分别确定预设范围的第一提取区域和第二提取区域；

第一获取模块，用于获取所述第一提取区域范围内各像素的颜色分量，得到所述第一提取区域对应的颜色量化矩阵；

第二获取模块，用于获取所述第一提取区域范围内各像素的梯度值，得到所述第一提取区域对应的梯度矩阵；

融合模块，用于融合所述第一提取区域对应的颜色量化矩阵与梯度矩阵，得到所述第一提取区域对应的第一融合矩阵；

第一重复模块，用于按获取所述第一提取区域对应的第一融合矩阵的方式获取所述第二提取区域对应的第二融合矩阵；

计算模块，用于根据所述第一融合矩阵和第二融合矩阵计算得到对应第一组点对的标量值；

第二重复模块，用于按第一组点对方式完成其他点对对应的标量值的计算；

组合模块，用于组合所述预设组数的点对的标量值，得到所述待处理图像的特征向量。

9.根据权利要求8所述的图像特征的提取装置，其特征在于，所述第一获取模块，具体包括：转换单元，用于将所第一述提取区域的图像转换到对应的颜色空间，得到所述第一提取区域范围内每个像素对应的颜色分量；

获取单元，用于将所述转换单元得到的每个像素对应的颜色分量加权量化后，得到所述第一提取区域对应的颜色量化矩阵。

10.根据权利要求9所述的图像特征的提取装置，其特征在于，所述获取单元，具体用于通过公式f＝σhh+σss+σvv将每个像素对应的颜色分量加权量化，得到所述第一提取区域对应的颜色量化矩阵；其中，所述h为色调，s为饱和度，v为亮度，所述σh、σs、σv为加权系数。

11.根据权利要求8所述的图像特征的提取装置，其特征在于，所述第二获取模块，具体包括：运算单元，用于采用索贝尔算子中的横向矩阵及纵向矩阵分别与所述第一提取区域范围内各像素进行卷积运算，得到横向与纵向的亮度差分近似值；

获取单元，用于根据所述运算单元得到的横向与纵向的亮度差分近似值得到所述第一提取区域对应的梯度矩阵。

12.根据权利要求11所述的图像特征的提取装置，其特征在于，所述运算单元，具体用于采用索贝尔算子中的横向矩阵 与纵向矩阵 分别与所述第一提取区域范围内各像素进行卷积运算，得到横向亮度差分近似值Gx＝gx*I与纵向亮度差分近似值Gy＝gy*I；其中，所述I为所述第一提取区域范围内的像素；

所述获取单元，具体用于通过公式 得到所述第一提取区域对应的梯度矩阵Gx*y。

13.根据权利要求8所述的图像特征的提取装置，其特征在于，所述融合模块，具体用于将所述第一提取区域对应的颜色量化矩阵与梯度矩阵进行乘积运算，得到所述第一提取区域对应的第一融合矩阵。

14.根据权利要求8所述的图像特征的提取装置，其特征在于，所述计算模块，具体包括：展开单元，用于将所述第一融合矩阵按行展开，形成行向量；

排序单元，用于将所述展开单元展开得到的行向量中的向量元素按照大小进行排序，形成新的行向量；

第一比较单元，用于将所述排序单元得到的新的行向量中的每个向量的元素值与所述第一提取区域的中心像素对应的向量的元素值进行比较，得到第一比较结果；

重操作单元，用于按照所述第一融合矩阵方式处理所述第二融合矩阵，得到第二比较结果；

第二比较单元，用于通过比较第一比较结果和第二比较结果得到所述第一组点对对应的标量值。

说明书

图像特征的提取方法及装置

技术领域

[0001] 本发明涉及计算机视觉领域，特别涉及一种图像特征的提取方法及装置。

背景技术

[0002] 随着计算机视觉技术的快速发展，目标跟踪与检测技术成为了计算机视觉领域的核心技术，而图像特征的提取技术将直接影响目标跟踪与检测的准确性、适应性与稳定性，因此，图像特征的提取技术具有显著的重要性。

[0003] 现有技术中，采用图像亮度信息进行图像特征的提取，其具体通过对图像做灰度均衡化与高斯模糊处理用以消除光照对图像的影响，之后随机不重复地选取N个对点，以每一个点对中的两点为对角点构成矩形区域，采用水平中分线将其平分为两个均等区域并对两个区域内像素之和进行比较，后者大赋为1；反之，赋为0，输出第一个比特数据，再采用竖直中分线将其平分为两个均等区域并对两个区域内像素之和进行比较，后者大赋为1；反之，赋为0，输出第二个比特数据，最后输出维数为N的特征向量。

[0004] 现有技术采用图像的亮度信息计算特征向量，而实际应用中仍然面临许多困难，如光照变化、目标被遮挡或者部分遮挡、目标姿态的改变以及非线性形变等，导致提取出的图像特征的准确性较低。

发明内容

[0005] 有鉴于此，本发明实施例提供了一种图像特征的提取方法及装置。所述技术方案如下：

[0006] 一方面，提供了一种图像特征的提取方法，所述方法包括：

[0007] 对待处理图像进行灰度均衡化处理，并在处理后的图像中选取预设组数的点对；

[0008] 取第一组点对，并以所述第一组点对中的两个点为中心分别确定预设范围的第一提取区域和第二提取区域；

[0009] 获取所述第一提取区域范围内各像素的颜色分量，得到所述第一提取区域对应的颜色量化矩阵，并获取所述第一提取区域范围内各像素的梯度值，得到所述第一提取区域对应的梯度矩阵；

[0010] 融合所述第一提取区域对应的颜色量化矩阵与梯度矩阵，得到所述第一提取区域对应的第一融合矩阵；

[0011] 按获取所述第一提取区域对应的第一融合矩阵的方式获取所述第二提取区域对应的第二融合矩阵；

[0012] 根据所述第一融合矩阵和第二融合矩阵计算得到所述第一组点对对应的标量值；

[0013] 按第一组点对方式完成其他点对对应的标量值的计算，组合所述预设组数的点对的标量值，得到所述待处理图像的特征向量。

[0014] 可选地，所述获取所述第一提取区域范围内各像素的颜色分量，得到所述第一提取区域对应的颜色量化矩阵，具体包括：

[0015] 将所述第一提取区域的图像转换到对应的颜色空间，得到所述第一提取区域范围内每个像素对应的颜色分量；

[0016] 将每个像素对应的颜色分量加权量化后，得到所述第二提取区域对应的颜色量化矩阵。

[0017] 可选地，所述将每个像素对应的颜色分量加权量化后，得到所述第一提取区域对应的颜色量化矩阵，具体包括：

[0018] 通过公式f=σhh+σss+σvv将每个像素对应的颜色分量加权量化，得到所述第一提取区域对应的颜色量化矩阵；

[0019] 其中，所述h为色调，s为饱和度，v为亮度，所述σh、σs、σv为加权系数。

[0020] 可选地，所述获取所述第一提取区域范围内各像素的梯度值，得到所述第一提取区域对应的梯度矩阵，具体包括：

[0021] 采用索贝尔算子中的横向矩阵及纵向矩阵分别与所述第一提取区域范围内各像素进行卷积运算，得到横向与纵向的亮度差分近似值；

[0022] 根据所述横向与纵向的亮度差分近似值得到所述第一提取区域对应的梯度矩阵。

[0023] 可选地，所述采用索贝尔算子中的横向矩阵及纵向矩阵分别与所述第一提取区域范围内各像素进行卷积运算，得到横向与纵向的亮度差分近似值，具体包括：

[0024] 采用索贝尔算子中的横向矩阵 与纵向矩阵 分别与所述第一提取区域范围内各像素进行卷积运算，得到横向亮度差分近似值Gx＝gx*I与纵向亮度差分近似值Gy＝gy*I；其中，所述I为所述第一提取区域范围内的像素；

[0025] 所述根据所述横向与纵向的亮度差分近似值得到所述第一提取区域对应的梯度矩阵，具体包括：

[0026] 通过公式 得到所述第一提取区域对应的梯度矩阵Gx*y。

[0027] 可选地，所述融合所述第一提取区域对应的颜色量化矩阵与梯度矩阵，得到所述第一提取区域对应的第一融合矩阵，具体包括：

[0028] 将所述第一提取区域对应的颜色量化矩阵与梯度矩阵进行乘积运算，得到所述第一提取区域对应的第一融合矩阵。

[0029] 可选地，所述根据所述第一融合矩阵和第二融合矩阵计算得到所述第一组点对对应的标量值，具体包括：

[0030] 将所述第一融合矩阵按行展开，形成行向量；

[0031] 将所述行向量中的向量元素按照大小进行排序，形成新的行向量；

[0032] 将所述新的行向量中的每个向量的元素值与所述提取区域的中心像素对应的向量的元素值进行比较，得到第一比较结果；

[0033] 按照所述第一融合矩阵方式处理所述第二融合矩阵，得到第二比较结果；

[0034] 通过比较第一比较结果和第二比较结果得到所述第一组点对对应的标量值。

[0035] 另一方面，还提供了一种图像特征的提取装置，所述装置包括：

[0036] 处理模块，用于对待处理图像进行灰度均衡化处理；

[0037] 选取模块，用于在所述处理模块处理后的图像中选取预设组数的点对；

[0038] 确定模块，用于取第一组点对，并以所述第一组点对中的两个点为中心分别确定预设范围的第一提取区域和第二提取区域；

[0039] 第一获取模块，用于获取所述第一提取区域范围内各像素的颜色分量，得到所述第一提取区域对应的颜色量化矩阵；

[0040] 第二获取模块，用于获取所述第一提取区域范围内各像素的梯度值，得到所述第一提取区域对应的梯度矩阵；

[0041] 融合模块，用于融合所述第一提取区域对应的颜色量化矩阵与梯度矩阵，得到所述第一提取区域对应的第一融合矩阵；

[0042] 第一重复模块，用于按获取所述第一提取区域对应的第一融合矩阵的方式获取所述第二提取区域对应的第二融合矩阵；

[0043] 计算模块，用于根据所述第一融合矩阵和第二融合矩阵计算得到对应第一组点对的标量值；

[0044] 第二重复模块，用于按第一组点对方式完成其他点对对应的标量值的计算；

[0045] 组合模块，用于组合所述预设组数的点对的标量值，得到所述待处理图像的特征向量。

[0046] 可选地，所述第一获取模块，具体包括：

[0047] 转换单元，用于将所述第一提取区域的图像转换到对应的颜色空间，得到所述第一提取区域范围内每个像素对应的颜色分量；

[0048] 获取单元，用于将所述转换单元得到的每个像素对应的颜色分量加权量化后，得到所述第一提取区域对应的颜色量化矩阵。

[0049] 可选地，所述获取单元，具体用于通过公式f＝σhh+σss+σvv将每个像素对应的颜色分量加权量化，得到所述第一提取区域对应的颜色量化矩阵；其中，所述h为色调，s为饱和度，v为亮度，所述σh、σs、σv为加权系数。

[0050] 可选地，所述第二获取模块，具体包括：

[0051] 运算单元，用于采用索贝尔算子中的横向矩阵及纵向矩阵分别与所述第一提取区域范围内各像素进行卷积运算，得到横向与纵向的亮度差分近似值；

[0052] 获取单元，用于根据所述运算单元得到的横向与纵向的亮度差分近似值得到所述第一提取区域对应的梯度矩阵。

[0053] 可选地，所述运算单元，具体用于采用索贝尔算子中的横向矩阵与纵向矩阵 分别与所述第一提取区域范围内各像素进行卷积运算，得到
横向亮度差分近似值Gx＝gx*I与纵向亮度差分近似值Gy＝gy*I；其中，所述I为所述第一提取区域范围内的像素；

[0054] 所述获取单元，具体用于通过公式 得到所述第一提取区域对应的梯度矩阵Gx*y。

[0055] 可选地，所述融合模块，具体用于将所述第一提取区域对应的颜色量化矩阵与梯度矩阵进行乘积运算，得到所述第一提取区域对应的第一融合矩阵。

[0056] 可选地，所述计算模块，具体包括：

[0057] 展开单元，用于将所述第一融合矩阵按行展开，形成行向量；

[0058] 排序单元，用于将所述展开单元展开得到的行向量中的向量元素按照大小进行排序，形成新的行向量；

[0059] 第一比较单元，用于将所述排序单元得到的新的行向量中的每个向量的元素值与所述第一提取区域的中心像素对应的向量的元素值进行比较，得到第一比较结果；

[0060] 重操作单元，用于按照所述第一融合矩阵方式处理所述第二融合矩阵，得到第二比较结果；

[0061] 第二比较单元，用于通过比较第一比较结果和第二比较结果得到所述第一组点对对应的标量值。

[0062] 本发明实施例提供的技术方案的有益效果是：

[0063] 由于梯度值能够描述图像的目标轮廓，又由于颜色往往和图像中所包含的物体或场景十分相关，且与其他的特征相比，颜色特征对图像本身的尺寸、方向、视角的依赖性较小，具有较高的鲁棒性，因而通过采用梯度值及颜色分量进行图像特征的提取，可提取出具有描述能力强、抗光照变化能力的特征，不仅能够提高提取出的图像特征的准确性，且还可适应于众多常见的目标跟踪与检测技术中的图像特征的提取。

附图说明

[0064] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0065] 图1是本发明实施例一提供的一种图像特征的提取方法的流程图；

[0066] 图2是本发明实施例二提供的一种图像特征的提取方法的流程图；

[0067] 图3是本发明实施例二提供的一种实验运行效果示意图；

[0068] 图4是本发明实施例三提供的一种图像特征的提取装置的结构示意图；

[0069] 图5是本发明实施例三提供的一种第一获取模块的结构示意图；

[0070] 图6是本发明实施例三提供的一种第二获取模块的结构示意图；

[0071] 图7是本发明实施例三提供的一种计算模块的结构示意图；

[0072] 图8是本发明实施例四提供的一种图像特征的提取装置的结构示意图。

具体实施方式

[0073] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

[0074] 实施例一

[0075] 本实施例提供了一种图像特征的提取方法，参见图1，本实施例提供的方法流程具体如下：

[0076] 101：对待处理图像进行灰度均衡化处理，并在处理后的图像中选取预设组数的点对；

[0077] 102：取第一组点对，并以第一组点对中的两个点为中心分别确定预设范围的第一提取区域和第二提取区域；

[0078] 103：获取第一提取区域范围内各像素的颜色分量，得到第一提取区域对应的颜色量化矩阵，并获取第一提取区域范围内各像素的梯度值，得到第一提取区域对应的梯度矩阵；

[0079] 其中，获取第一提取区域范围内各像素的颜色分量，得到第一提取区域对应的颜色量化矩阵，包括但不限于：

[0080] 将第一提取区域的图像转换到对应的颜色空间，得到第一提取区域范围内每个像素对应的颜色分量；

[0081] 将每个像素对应的颜色分量加权量化后，得到第一提取区域对应的颜色量化矩阵。

[0082] 进一步地，将每个像素对应的颜色分量加权量化后，得到第一提取区域对应的颜色量化矩阵，包括但不限于：

[0083] 通过公式f=σhh+αss+σvv将每个像素对应的颜色分量加权量化，得到第一提取区域对应的颜色量化矩阵；

[0084] 其中，h为色调，s为饱和度，v为亮度，σh、αs、σv为加权系数。

[0085] 进一步地，获取第一提取区域范围内各像素的梯度值，得到第一提取区域对应的梯度矩阵，包括但不限于：

[0086] 采用索贝尔算子中的横向矩阵及纵向矩阵分别与第一提取区域范围内各像素进行卷积运算，得到横向与纵向的亮度差分近似值；

[0087] 根据横向与纵向的亮度差分近似值得到第一提取区域对应的梯度矩阵。

[0088] 进一步地，采用索贝尔算子中的横向矩阵及纵向矩阵分别与第一提取区域范围内各像素进行卷积运算，得到横向与纵向的亮度差分近似值，包括但不限于：

[0089] 采用索贝尔算子中的横向矩阵 与纵向矩阵 分别与第一提取区域范围内各像素进行卷积运算，得到横向亮度差分近似值Gx＝gx*I与纵向亮度差分近似值Gy＝gy*I；其中，I为第一提取区域范围内的像素；

[0090] 根据横向与纵向的亮度差分近似值得到第一提取区域对应的梯度矩阵，具体包括：

[0091] 通过公式 得到第一提取区域对应的梯度矩阵Gx*y。

[0092] 104：融合第一提取区域对应的颜色量化矩阵与梯度矩阵，得到第一提取区域对应的第一融合矩阵；

[0093] 其中，融合第一提取区域对应的颜色量化矩阵与梯度矩阵，得到第一提取区域对应的第一融合矩阵，包括但不限于：

[0094] 将第一提取区域对应的颜色量化矩阵与梯度矩阵进行乘积运算，得到第一提取区域对应的第一融合矩阵。

[0095] 105：按获取第一提取区域对应的第一融合矩阵的方式获取第二提取区域对应的第二融合矩阵；

[0096] 106：根据第一融合矩阵和第二融合矩阵计算得到第一组点对对应的标量值；

[0097] 具体地，根据第一融合矩阵和第二融合矩阵计算得到第一组点对对应的标量值，包括但不限于：

[0098] 将第一融合矩阵按行展开，形成行向量；

[0099] 将行向量中的向量元素按照大小进行排序，形成新的行向量；

[0100] 将新的行向量中的每个向量的元素值与第一提取区域的中心像素对应的向量的元素值进行比较，得到第一比较结果；

[0101] 按照第一融合矩阵方式处理第二融合矩阵，得到第二比较结果；

[0102] 通过比较第一比较结果和第二比较结果得到第一组点对对应的标量值。

[0103] 107：按第一组点对方式完成其他点对对应的标量值的计算，组合预设组数的点对的标量值，得到待处理图像的特征向量。

[0104] 本实施例提供的方法，由于梯度值能够描述图像的目标轮廓，又由于颜色往往和图像中所包含的物体或场景十分相关，且与其他的特征相比，颜色特征对图像本身的尺寸、方向、视角的依赖性较小，具有较高的鲁棒性，因而通过采用梯度值及颜色分量进行图像特征的提取，可提取出具有描述能力强、抗光照变化能力的特征，不仅能够提高提取出的图像特征的准确性，且还可适应于众多常见的目标跟踪与检测技术中的图像特征的提取；另外，在融合图像颜色与梯度值的基础上，通过将融合矩阵按行展开，将行向量中的向量元素按照大小进行排序，并据此得到特征向量，从而使得目标在不同角度具有相近的特征向量，增加特征向量的抗旋转能力。

[0105] 为了更加清楚地阐述上述实施例提供的方法，结合上述内容，以如下实施例二为例，对图像特征的提取方法进行举例说明，详见如下实施例二：

[0106] 实施例二

[0107] 本实施例提供了一种图像特征的提取方法，结合上述实施例一的内容，参见图2，本实施例提供的方法流程具体如下：

[0108] 201：对待处理图像进行灰度均衡化处理，并在处理后的图像中选取预设组数的点对；

[0109] 其中，该待处理图像包括但不限于通过视频记录设备形成的视频流中截取的图像。在对待处理图像进行灰度均衡化处理时，直方图均衡化是一种最常用的处理方式，因而该步骤可将该待处理图像的直方图分布处理成均匀直方图分布。从信息学的理论来看，具有最大熵(即最大信息量)的图像为均衡化图像，从直观地角度来看，直方图均衡化将使图像的对比度增加。因此，该步骤通过对待处理图像进行灰度均衡化处理，可有效消除光线强烈变化产生的误差对特征提取的干扰。

[0110] 在处理后的图像中选取预设组数的点对时，本实施例不对预设组数的具体数值进行限定，该步骤仅以在处理后的图像范围内随机选取100组点对为例，则共选取200组点，点对中的点应随机但趋于均匀地分布在处理后的图像上，点对中的两个点需保持有一定距离间隔。

[0111] 202：取第一组点对，并以第一组点对中的两个点为中心分别确定预设范围的第一提取区域和第二提取区域；

[0112] 针对该步骤，以第一组点对中的两个点为中心分别确定预设范围的第一提取区域和第二提取区域时，为了便于说明，此处仅以第一组点对中的两个点为中心，分别取边长为7像素的正方形作为提取区域为例，则第一提取区域和第二提取区域均为7*7像素矩阵。当然，第一提取区域和第二提取区域的预设范围还可以为其他大小，也可以为其他形状，本实施例不对提取区域的具体预设范围进行限定，同样不对提取区域的具体形状进行限定。

[0113] 203：获取第一提取区域范围内各像素的颜色分量，得到第一提取区域对应的颜色量化矩阵；

[0114] 具体地，获取第一提取区域范围内各像素的颜色分量，得到第一提取区域对应的颜色量化矩阵，包括但不限于：

[0115] 将第一提取区域的图像转换到对应的颜色空间，得到第一提取区域范围内每个像素对应的颜色分量；

[0116] 将每个像素对应的颜色分量加权量化后，得到第一提取区域对应的颜色量化矩阵。

[0117] 其中，将第一提取区域的图像转换到对应的颜色空间时，由于实际应用中存在多种颜色空间，例如，由R（red）、G（green）和B（blue）等颜色分量组成的RGB颜色空间；由H（hue）、S（saturation）和V（value）等颜色分量组成的HSV颜色空间；由H（hue）、S（saturation）和I（intensity）等颜色分量组成的HIS颜色空间等等，因此，本实施例不对将第一提取区域的图像转换到的具体颜色空间进行限定，仅以将其转换到HSV颜色空间为例。由于现有技术中的图像到颜色空间的转换技术十分成熟，因而该步骤的具体转换过程可依据现有的转换技术实现，本实施例对此不再赘述。

[0118] 另外，由于HSV颜色空间中的亮度与饱和度等颜色分量不具备明显的区分能力，而色调具有较强的区分能力，因此，该步骤在获取第一提取区域对应的颜色量化矩阵时，通过系数强化色调信息，而弱化亮度与饱和度信息。具体实施时，在将每个像素对应的颜色分量加权量化后，得到第一提取区域对应的颜色量化矩阵的方式，包括但不限于：

[0119] 通过公式f＝σhh+σss+σvv将每个像素对应的颜色分量加权量化，得到第一提取区域对应的颜色量化矩阵；

[0120] 其中，h为色调，s为饱和度，v为亮度，σh、σs、σv为加权系数。

[0121] 针对上述加权系数σh、σs和σv，可依据实际需要进行设置，例如，设置σh＝0.8，σs＝0.1，σv＝0.1，当然，除此之外还可以设置其他加权系数值，本实施例不对加权系数的具体数值进行限定。以上述步骤202中确定的第一提取区域为7*7像素矩阵的正方形为例，通过该步骤对第一提取区域中的每个像素进行颜色分量加权量化后，每个像素得到一个对应的颜色分量f，则该步骤将得到一个7*7的颜色量化矩阵C7x7。

[0122] 204：获取第一提取区域范围内各像素的梯度值，得到第一提取区域对应的梯度矩阵；

[0123] 针对该步骤，获取第一提取区域范围内各像素的梯度值，得到第一提取区域对应的梯度矩阵，包括但不限于：

[0124] 采用索贝尔算子中的横向矩阵及纵向矩阵分别与第一提取区域范围内各像素进行卷积运算，得到横向与纵向的亮度差分近似值；

[0125] 根据横向与纵向的亮度差分近似值得到第一提取区域对应的梯度矩阵。

[0126] 其中，采用索贝尔算子中的横向矩阵及纵向矩阵分别与第一提取区域范围内各像素进行卷积运算，得到横向与纵向的亮度差分近似值，包括但不限于：

[0127] 采用索贝尔算子中的横向矩阵 与纵向矩阵 分别与第一提取区域范围内各像素进行卷积运算，得到横向亮度差分近似值Gx＝gx*I与纵向亮度差分近似值Gy＝gy*I；其中，I为第一提取区域范围内的像素；

[0128] 根据横向与纵向的亮度差分近似值得到提取区域对应的梯度矩阵，包括但不限于：

[0129] 通过公式 得到第一提取区域对应的梯度矩阵Gx*y。

[0130] 205：融合第一提取区域对应的颜色量化矩阵与梯度矩阵，得到第一提取区域对应的第一融合矩阵；

[0131] 具体地，融合第一提取区域对应的颜色量化矩阵与梯度矩阵，得到第一提取区域对应的第一融合矩阵，包括但不限于：

[0132] 将第一提取区域对应的颜色量化矩阵与梯度矩阵进行乘积运算，得到第一提取区域对应的第一融合矩阵。

[0133] 以上述步骤203得到的第一提取区域对应的颜色量化矩阵为C7x7，上述步骤204得到的第一提取区域对应的梯度矩阵为G7x7为例，则该步骤得到的与第一提取区域相对应的第一融合矩阵为F7x7=G7x7*C7x7。

[0134] 206：按获取第一提取区域对应的第一融合矩阵的方式获取第二提取区域对应的第二融合矩阵；

[0135] 针对该步骤，按获取第一提取区域对应的第一融合矩阵的方式获取第二提取区域对应的第二融合矩阵时，即按照上述步骤203提供的方式获取第二提取区域范围内各像素的颜色分量，得到第二提取区域对应的颜色量化矩阵；按照上述步骤204提供的方式获取第二提取区域范围内各像素的梯度值，得到第二提取区域对应的梯度矩阵；按照上述步骤205提供的方式融合第二提取区域对应的颜色量化矩阵与梯度矩阵，得到第二提取区域对应的第二融合矩阵。

[0136] 207：根据第一融合矩阵和第二融合矩阵计算得到第一组点对对应的标量值；

[0137] 具体地，该步骤的具体实现方式包括但不限于如下几个步骤：

[0138] 步骤a、将第一融合矩阵按行展开，形成行向量；

[0139] 步骤b、将行向量中的向量元素按照大小进行排序，形成新的行向量；

[0140] 步骤c、将新的行向量中的每个向量的元素值与第一提取区域的中心像素对应的向量的元素值进行比较，得到第一比较结果；

[0141] 步骤d、按照第一融合矩阵方式处理第二融合矩阵，得到第二比较结果；

[0142] 步骤e、通过比较第一比较结果和第二比较结果得到第一组点对对应的标量值。

[0143] 为了便于理解，以第一融合矩阵为矩阵F7x7为例，对上述根据第一融合矩阵和第二融合矩阵计算得到第一组点对对应的标量值的各个步骤的实现方式进行举例说明：

[0144] 步骤a’，将第一融合矩阵F7x7按行展开形成49维的行向量f＇；

[0145] 针对该步骤，将第一融合矩阵F7x7按行展开时，可以矩阵的行为单位，矩阵第一行的最后一个向量与第二行的第一个向量衔接，第二行的最后一个向量与第三行的第一个向量衔接，依此类推，每一行的首与下一行的尾衔接，形成49维的行向量f′。

[0146] 步骤b’，将行向量f＇中的向量元素按照大小进行排序，形成新的行向量f；

[0147] 针对该步骤，将行向量f′中的向量元素按照大小进行排序时，既可以按照由大到小的顺序进行排序，也可以按照由小到大的顺序排序，本实施例不对具体排序方式进行限定。

[0148] 步骤c’，将新的行向量f中的每个向量的元素值与第一提取区域的中心像素对应的向量的元素值进行比较，得到第一比较结果；

[0149] 针对该步骤，本实施例不对得到第一比较结果的方式进行限定，例如，将新的行向量f中的每个向量的元素值与第一提取区域的中心像素对应的向量的元素值进行比较时，若前者大，则得到的第一比较结果ui＝0；否则，得到的第一比较结果为ui=1；或者，若前者大，则得到的第一比较结果ui＝1，否则，得到的第一比较结果为0。无论得到何种第一比较结果，对于一个新的行向量f，均可得到一个48维向量，且该48维向量中的每个向量维度上的值仅为数值0或1。

[0150] 步骤d’，按照上述第一融合矩阵方式处理第二融合矩阵，得到的第二比较结果。

[0151] 步骤e’，通过比较第一比较结果和第二比较结果得到第一组点对对应的标量值时，由于第一组点对中的两个点均可按照上述步骤a’到步骤c’得到一个48维向量，而48维向量中的每个向量维度上的值仅为数值0或1，则可将第一组点对中的两个点对应的第一比较结果和第二比较结果进行比较，根据比较结果得到第一组点对对应的标量值。

[0152] 例如，对于第一组点对中的两点，其中一个点对应的第一比较结果记为ua，另一个点对应的第二比较结果记为ub，由于第一比较结果和第二比较结果均可得到一个48维向量，且该48维向量中的每个向量维度上的值仅为数值0或1，则ua与ub均为2进制序列，可用于表示无符号的数，因此，可通过比较ua与ub对应的二进制数值，得到第一组点对对应的标量值。例如，若ua大于ub，比较结果为1，将其作为第一组点对对应的标量值；否则，比较结果为0，将其作为第一组点对对应的标量值。

[0153] 208：按第一组点对方式完成其他点对对应的标量值的计算，组合预设组数的点对的标量值，得到待处理图像的特征向量。

[0154] 针对该步骤，在按照上述步骤计算得到第一组点对对应的标量值之后，按照第一组点对对应的标量值的计算方式可计算得到每组点对对应的标量值，将预设组数的点对的标量值组合之后的结果作为待处理图像的特征向量。例如，上述步骤201在处理后的图像中选取100组点对，则可得到100组点对对应的标量值，将100组点对对应的标量值组合之后可得到100维的特征向量。

[0155] 需要说明的时，上述图像特征的提取方法可应用于目标跟踪与检测等场景，通过上述步骤实现的图像特征的提取过程，在融合了图像颜色与梯度信息的基础上，通过对融合后的矩阵中的数据进行排序，可使跟踪或检测目标在不同角度具有相近的特征向量，进而增加特征向量的抗旋转能力。接下来，为了更加清楚地说明本实施例提供的上述方法所达到的有益效果，以及与现有技术的区别，以将本实施例提供的图像特征的提取方法应用于目标跟踪器为例，结合实验数据进行说明。

[0156] 在实验中，将已标记目标外接矩形区域的视频作为实验输入数据，分别运行基于本实施例提供的图像特征的提取技术的目标跟踪器与基于现有技术提供的图像特征的提取技术的目标跟踪器，输出在连续125帧中被跟踪目标的外接矩形区域数据。将被标记的目标区域被称为正样本，被标记样本区域周围的区域以及与正样本区域重叠面积小于α的区域称为负样本。假设目标跟踪器输出目标区域与目标标记的区域重叠面积小于α，则认为该目标跟踪器没有检测到目标，否则认为目标跟踪器检测到目标。在该前提下，采用随机森林作为分类器，分别计算基于现有技术提供的技术方案与本实施例提供的技术方案的目标跟踪器的查准率（precision）与查全率（recall）数据。在实验中，α可根据具体应用场景进行设定，本实施例对此不作具体限定，仅以α=0.30为例。

[0157] 在本实验中，实验数据准备如下：

[0158] 1）收集2段具有光线变化场景的、包含具有显著颜色特征的目标、并且目标出现部分或全部遮挡情况的视频；

[0159] 2）对每一段视频，选取连续125帧视频数据，标记出被跟踪目标在视频中出现的位置矩形区域，具体标记时，可采用手工标记的方式实现，本实施例对此不作具体限定。标记出的位置矩形区域的信息可用位置矩形区域起始位置的横、纵坐标及位置矩形区域的长和宽表示。其中，可将位置矩形区域左上角看作坐标原点，位置矩形区域起始位置的横、纵坐标即为位置矩形区域左上角的原点坐标，以像素为单位，对位置矩形区域的每个像素位置进行量化表示，位置矩形区域的长和宽均可用两个像素点之间的距离表示，单位是像素。例如，位置矩形区域的信息可表示为：起始位置的坐标为（256，108），长100像素，宽200像素。标记出被跟踪目标在视频中出现的位置矩形区域后，将该位置矩形区域的信息连同帧号记录在文件中（不直接画在视频中），关于记录位置矩形区域的信息的文件的类型、存储位置等，本实施例均不作具体限定。对于完全遮挡的目标，则不记录目标的位置数据。对于部分遮挡的目标，仅记录目标可见区域的坐标数据。标记目标区域的矩形应该尽可能贴近被跟踪目标的可见区域的外轮廓，上述标记的目标区域数据为正样本。在本实验中，以图3所示的实验运行效果示意图为例，被跟踪目标为女士头部与男生上衣。

[0160] 3）正、负样本数据记录在文件中，文件每一行存放一个样本数据。每一行共有5个数据，第一个数据表示帧号，接着4个数据表示样本在视频图像中的区域。

[0161] 在本实验中，实验数据统计过程如下：

[0162] 1）对视频段的帧编号，用1,2,…,125表示，由于视频段的第一帧不一定包含跟踪目标，因而可以不从视频第一帧开始编号，而从出现跟踪目标的帧开始编号；

[0163] 2）在视频标记为1号帧的前面一帧，初始化目标跟踪器，并运行目标跟踪器，以使目标跟踪器处于正常工作状态，能够正常处理经过编号的帧数据；

[0164] 3）处理第i帧数据，暂停目标跟踪器，记录目标跟踪器输出目标的位置区域数据。

[0165] 其中，i为1至125中任意数值，处理第i帧数据时包括提取第i帧数据的图像特征向量的过程，此处提取特征的方式详见上述步骤201至步骤206中的叙述，此处不再赘述。记录第i帧时，目标跟踪器输出矩形区域为 正样本所在区域为 记函数Overlap(Rtarget，Rpredict)表示矩形Rtarget区域与区域Rpredict相互重叠面积占Rtarget面积的比率，即Overlap S表示求矩形面积函数。该比率取值区间为[0,
1]，其中0表示矩形Rtarget区域与区域Rpredict没有重叠区域，1表示两区域完全重叠。对于目标跟踪器输出待跟踪目标区域 若 则第i帧的正样本被
分类器判为正样本，即分类器输出目标区域与目标标记区域基本重叠；若
则第i帧的负样本被分类器判为正样本，即分类器输出目标区域
与目标标记区域相距甚远。在本实验中，需要统计每一帧中正样本被目标跟踪器判为正样本的样本总数以及负样本被目标跟踪器判为正样本的样本总数。

[0166] 4）正对每一个视频目标，统计正样本总数，正样本被分类器判为正样本的总数以及负样本被分类器误判为正样本的总数。按下述公式计算查全率、查准率以及F值；

[0167]

[0168]

[0169]

[0170] 在本实验中，实验运行效果如图3所示。图3中，第一排四幅图片及第三排四幅图片分别为基于现有技术提供的图像特征的提取方案的目标跟踪器对应的运行效果；第二排四幅图片及第四排四幅图片为基于本实施例提供的图像特征的提取方案的目标跟踪器对应的运行效果。左边4幅图展示跟踪女士头部，右边4幅图为跟踪男士上衣。实验数据如下面表3所示。通过实验数据分析，在光线变化明显，被跟踪目标具有明显颜色特征的情况下，基于本实施例提供的图像特征的提取方案的目标跟踪器能去掉较好的结果。

[0171] 基于现有技术提供的图像特征的提取方案的目标跟踪器实验数据如下面表1所示，基于本实施例提供的图像特征的提取方案的目标跟踪器实验数据如下面表2所示：

[0172] 表1

[0173]  被跟踪目标名词   TP   FP   P   TP/P   TP/(TP+FP)   F值
  女士头部   81   15   103   0.79   0.84   0.81
  男士上衣   78   9   92   0.85   0.90   0.87
  摩托车   76   12   79   0.96   0.86   0.90

[0174] 表2

[0175]  被跟踪目标名词   TP   FP   P   TP/P   TP/(TP+FP)   F值
  女士头部   87   11   103   0.84   0.89   0.86
  男士上衣   83   7   92   0.90   0.92   0.91
  摩托车   77   10   79   0.97   0.89   0.93

[0176] 注：TP表示正样本被目标跟踪器判为正的样本总数；FP表示负样本被目标跟踪器判为正的样本总数；P表示所标记的正样本总数。

[0177] 表3

[0178]

[0179] 从上面表3所示的实验数据中可以看出，本实施例提供的技术方案较现有技术提供的技术方案而言，其具有较高的查全率和查准率，因而提高了提取出的图像特征的准确性。

[0180] 本实施例提供的方法，由于梯度值能够描述图像的目标轮廓，又由于颜色往往和图像中所包含的物体或场景十分相关，且与其他的特征相比，颜色特征对图像本身的尺寸、方向、视角的依赖性较小，具有较高的鲁棒性，因而通过采用梯度值及颜色分量进行图像特征的提取，可提取出具有描述能力强、抗光照变化能力的特征，不仅能够提高提取出的图像特征的准确性，且还可适应于众多常见的目标跟踪与检测技术中的图像特征的提取；另外，在融合图像颜色与梯度值的基础上，通过将融合后的矩阵按行展开，将行向量中的向量元素按照大小进行排序，并据此得到特征向量，从而使得目标在不同角度具有相近的特征向量，增加特征向量的抗旋转能力。

[0181] 实施例三

[0182] 本实施例提供了一种图像特征的提取装置，该装置用于执行上述实施例一或实施例二提供的图像特征的提取方法。参见图4，该图像特征的提取装置包括：

[0183] 处理模块401，用于对待处理图像进行灰度均衡化处理；

[0184] 选取模块402，用于在处理模块401处理后的图像中选取预设组数的点对；

[0185] 确定模块403，用于取第一组点对，并以第一组点对中的两个点为中心分别确定预设范围的第一提取区域和第二提取区域；

[0186] 第一获取模块404，用于获取第一提取区域范围内各像素的颜色分量，得到第一提取区域对应的颜色量化矩阵；

[0187] 第二获取模块405，用于获取第一提取区域范围内各像素的梯度值，得到第一提取区域对应的梯度矩阵；

[0188] 融合模块406，用于融合第一提取区域对应的颜色量化矩阵与梯度矩阵，得到第一提取区域对应的第一融合矩阵；

[0189] 第一重复模块407，用于按获取第一提取区域对应的第一融合矩阵的方式获取第二提取区域对应的第二融合矩阵；

[0190] 计算模块408，用于根据第一融合矩阵和第二融合矩阵计算得到对应第一组点对的标量值；

[0191] 第二重复模块409，用于按第一组点对方式完成其他点对对应的标量值的计算；

[0192] 组合模块410，用于组合预设组数的点对的标量值，得到待处理图像的特征向量。

[0193] 进一步地，参见图5，第一获取模块404，具体包括：

[0194] 转换单元4041，用于将第一提取区域的图像转换到对应的颜色空间，得到第一提取区域范围内每个像素对应的颜色分量；

[0195] 获取单元4042，用于将转换单元4041得到的每个像素对应的颜色分量加权量化后，得到第一提取区域对应的颜色量化矩阵。

[0196] 进一步地，获取单元4042，具体用于通过公式f=σhh+σss+σvv将每个像素对应的颜色分量加权量化，得到第一提取区域对应的颜色量化矩阵；其中，h为色调，s为饱和度，v为亮度，σh、σs、σv为加权系数。

[0197] 进一步地，参见图6，第二获取模块405，具体包括：

[0198] 运算单元4051，用于采用索贝尔算子中的横向矩阵及纵向矩阵分别与第一提取区域范围内各像素进行卷积运算，得到横向与纵向的亮度差分近似值；

[0199] 获取单元4052，用于根据运算单元4051得到的横向与纵向的亮度差分近似值得到第一提取区域对应的梯度矩阵。

[0200] 进一步地，运算单元4051，具体用于采用索贝尔算子中的横向矩阵与纵向矩阵 分别与第一提取区域范围内各像素进行卷
积运算，得到横向亮度差分近似值Gx＝gx*I与纵向亮度差分近似值Gy＝gy*I；其中，I为第一提取区域范围内的像素；

[0201] 获取单元4052，具体用于通过公式 得到第一提取区域对应的梯度矩阵Gx*y。

[0202] 进一步地，融合模块406，具体用于将第一提取区域对应的颜色量化矩阵与梯度矩阵进行乘积运算，得到第一提取区域对应的第一融合矩阵。

[0203] 进一步地，参见图7，计算模块408，具体包括：

[0204] 展开单元4081，用于将第一融合矩阵按行展开，形成行向量；

[0205] 排序单元4082，用于将展开单元4081展开得到的行向量中的向量元素按照大小进行排序，形成新的行向量；

[0206] 第一比较单元4083，用于将排序单元4082得到的新的行向量中的每个向量的元素值与第一提取区域的中心像素对应的向量的元素值进行比较，得到第一比较结果；

[0207] 重操作单元4084，用于按照第一融合矩阵方式处理第二融合矩阵，得到第二比较结果；

[0208] 第二比较单元4085，用于通过比较第一比较结果和第二比较结果得到第一组点对对应的标量值。

[0209] 本实施例提供的装置，由于梯度值能够描述图像的目标轮廓，又由于颜色往往和图像中所包含的物体或场景十分相关，且与其他的特征相比，颜色特征对图像本身的尺寸、方向、视角的依赖性较小，具有较高的鲁棒性，因而通过采用梯度值及颜色分量进行图像特征的提取，可提取出具有描述能力强、抗光照变化能力的特征，不仅能够提高提取出的图像特征的准确性，且还可适应于众多常见的目标跟踪与检测技术中的图像特征的提取；另外，在融合图像颜色与梯度值的基础上，通过将融合后的矩阵按行展开，将行向量中的向量元素按照大小进行排序，并据此得到特征向量，从而使得目标在不同角度具有相近的特征向量，增加特征向量的抗旋转能力。

[0210] 实施例四

[0211] 图8为一个实施方式中特征提取装置的结构示意图，该特征提取装置包括至少一个处理器（801），例如CPU，至少一个网络接口804或者其他用户接口803，存储器805，和至少一个通信总线802。通信总线802用于实现这些装置之间的连接通信。用户接口803可以是显示器，键盘或者点击设备。存储器805可能包含高速Ram存储器，也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。存储器805可选的可以包含至少一个位于远离前述CPU802的存储装置。在一些实施方式中，存储器805存储了如下的元素，模块或者数据结构，或者他们的子集，或者他们的扩展集:

[0212] 操作系统806，包含各种程序，用于实现各种基础业务以及处理基于硬件的任务；

[0213] 应用模块807,包含处理模块401、选取模块402，确定模块403，第一获取模块404，第二获取模块405，融合模块406，第一重复模块407、计算模块408、第二重复模块409和组合模块410。上述模块的功能可以参考图4的工作原理图的说明部分，此处不再赘述。

[0214] 本实施例提供的装置，由于梯度值能够描述图像的目标轮廓，又由于颜色往往和图像中所包含的物体或场景十分相关，且与其他的特征相比，颜色特征对图像本身的尺寸、方向、视角的依赖性较小，具有较高的鲁棒性，因而通过采用梯度值及颜色分量进行图像特征的提取，可提取出具有描述能力强、抗光照变化能力的特征，不仅能够提高提取出的图像特征的准确性，且还可适应于众多常见的目标跟踪与检测技术中的图像特征的提取；另外，在融合图像颜色与梯度值的基础上，通过将融合后的矩阵按行展开，将行向量中的向量元素按照大小进行排序，并据此得到特征向量，从而使得目标在不同角度具有相近的特征向量，增加特征向量的抗旋转能力。

[0215] 需要说明的是：上述实施例提供的图像特征的提取装置在提取图像特征时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的图像特征的提取装置与图像特征的提取方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

[0216] 本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

[0217] 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。